Nuovo standard AOAC per la determina
Transcript
Nuovo standard AOAC per la determina
Nuovo standard AOAC per la determinazione di umidità, grasso e proteine nella carne e nei prodotti derivati FoodScan™ Lab Sempre più aziende seguono delle “buone pratiche” di lavoro, definite con il termine generico di GxP, e sono per queste accredidate, ad esempio Good Manufacturing Practice (GMP), Good Agricultural Praxis (GAP), Good Laboratory Praxis (GLP), norme ISO 22000 e ISO 17025. Se, per esempio, nella descrizione merceologica di prodotti a base di carne si applica una dichiarazione CL (chemical lean) spesso questa deve essere comprovata per mezzo di un metodo approvato o almeno da un metodo che è stato valutato rispetto ad un sistema di riferimento conosciuto. Tuttavia i metodi tradizionali di analisi chimica prevedono processi lunghi e possono richiedere diverse ore prima di generare dei risultati, cosa che, in molte aziende, ostacola le decisioni da prendere in tempo reale sulla produzione e sulla qualità del prodotto. La tecnologia basata sul vicino infrarosso (NIR) permette di ottenere i risultati rapidamente, in 50 s, per costituenti multipli ed è decisamente adatta ad ambienti produttivi con alta capacità. L’industria della carne usa regolarmente la tecnologia NIR da molti anni. Poiché non c’erano metodi NIR approvati ufficialmente per la carne e i derivati, FOSS ha deciso di sviluppare un metodo standard per il FoodScan™ con le calibrazioni ANN (Artificial Neural Network) in collaborazione con AOAC International. Il metodo è stato valutato con uno studio collaborativo e adottato come metodo ufficiale AOACSM 2007.04[1] applicabile a carne e derivati. Recentemente è stato pubblicato un rapporto su questo studio[2]. Il FoodScan™ e le calibrazioni ANN La calibrazione ANN è una tecnica di calibrazione fatta per emulare la funzione basilare del cervello umano nella risoluzione di problemi complessi. Il modello ANN ha la capacità di descrivere le relazioni sia lineari che non lineari tra le caratteristiche spettrali e le analisi di composizione. Si è trovato che i modelli ANN offrono prestazioni superiori, rispetto ad altre tecniche di calibrazione come Partial Least Squares (PLS). Inoltre, i modelli di calibrazione PLS spesso non sono in grado di descrivere in modo adeguato una gamma molto ampia di campioni, caratteristiche fisiche e composizione utilizzando una sola calibrazione. Si è scelta la tecnica ANN per le calibrazioni relative alla carne per la sua capacità di generare una calibrazione unica, globale, multiprodotto, 14 su tutto il campo di misura, per ciascun costituente. In questo modo, la tecnologia ANN evita la necessità di sviluppare e mantenere calibrazioni separate per livelli di analita o tipi di campione specifici. Le calibrazioni ANN necessitano di un database dove siano rappresentae tutte le variabilità dei campioni analizzabili ed i risultati delle analisi chimiche di ciascun analita. Il database del FoodScan (Tabella 1) contiene un numero enorme di campioni che coprono un’ampia gamma per i costituenti grasso, umidità e proteine. Il FoodScan, con le calibrazioni ANN “ricerca” le caratteristiche dello spettro del campione di analisi dal database e prevede i risultati. Il campione è collocato in una tazza e posizionato dentro il FoodScan. La tazzina portacampioni viene fatta girare per eseguire l’analisi su varie zone del campione, di queste viene quindi calcolata la media per dare il risultato finale. Questa procedura fornisce un risultato più rappresentativo da campioni potenzialmente non omogenei. Validazione delle calibrazioni pre-studio collaborativo Prima di condurre lo studio collaborativo, è stata valutata l’accuratezza del FoodScan FOSS e sono state valutate le calibrazioni ANN. Utilizzando gruppi di dati indipendenti (campioni che non facevano parte del gruppo di dati di calibrazione) i risultati ottenuti con il FoodScan sono stati paragonati a quelli ottenuti con metodi basati su analisi chimiche in laboratorio. I gruppi di validazione erano composti da circa 1200-1400 campioni provenienti da diversi paesi e comprendevano: vari tipi di prodotto (manzo, pollame, maiale, prodotti freschi, in corso di lavorazione e finiti), strumenti multipli, da stabilimenti e laboratori diversi che fornivano i valori delle analisi chimiche. I risultati di questo studio di validazione sono riassunti in Tabella 2 e figura 1. La performance (accuratezza) dei metodi secondari dipende dalla qualità dell’analisi chimica o metodo “primario” usato per generare la calibrazione e per la successiva validazione. Studio collaborativo Lo studio collaborativo è stato condotto per valutare la reperibilità e la riproducibilità dello spettrofotometro FoodScan NIR di FOSS con un modello e un database di calibrazioni ANN per la determinazione di grasso, umidità, e proteine nella carne e nei derivati, secondo il proto- Vol. 32, No 1, 2008 Presentazione del campione collo armonizzato IUPAC/ISO/AOAC [3]. Hanno partecipato allo studio collaborativo, il direttore dello studio e 15 laboratori di stabilimenti di lavorazione della carne. I laboratori sono stati selezionati in modo da essere rappresentativi di quelli che avrebbero usato il metodo proposto di routine e sulla base della disponibilità degli strumenti necessari. I campioni per lo studio sono stati scelti in modo da rappresentare la maggior parte dei prodotti dall’industria della carne destinati al commercio (manzo, maiale, e pollame) e comprendevano carne cruda, emulsioni e prodotti finiti. Tutti i campioni erano naturali, reali e nessun campione è stato adulterato. Per lo studio collaborativo si sono utilizzati 10 campioni di carne preparati in coppie di doppi ciechi per un totale di 20 campioni. Di questi campioni, 6 erano di carne fresca, 2 erano emulsioni e 2 prodotti finiti (curati). I campioni sono stati valutati per determinarne l’omogeneità e i valori di riferimento delle analisi chimiche per mezzo di un laboratorio indipendente accreditato. I campioni dello studio sono stati macinati in base al Metodo Ufficiale AOACSM 983.18. Un campione di carne macinata di circa 180 g è stato posto in un piatto di circa 140 mm. I campioni sono stati imballati a freddo (2-4°C), e spediti con trasporto notturno a temperatura di refrigerazione ai collaboratori per evitarne il deterioramento e/o la perdita d’acqua. I collaboratori dovevano mettere il piatto nel FoodScan e riportare i risultati ottenuti in percentuale (g/100 g) di grasso, umidità, e proteine entro 24 ore. Risultati I risultati dello studio sono riassunti nelle tabelle da 4 a 6, che illustrano la ripetibilità r (2,8 × sr, deviazione standard ripetibilità) e la riproducibilità (2,8 × sR, deviazione standard riproducibilità) per i risultati del laboratorio di riferimento (solo ripetibilità), per i metodi di riferimento usati (ottenuti dagli studi di validazione per i rispettivi metodi) e per il FoodScan, ottenuti in questo studio. A titolo di paragone, si danno anche i valori SEP per le calibrazioni ANN del FoodScan ANN, ottenuti nello studio di validazione. Per proteine e umidità, i dati dallo studio collaborativo con il FoodScan hanno dimostrato ripetibilità e riproducibilità simili rispetto ai Vol. 32, No 1, 2008 Parametro N Media Min Max Grasso 21 879 22,5% 0,1% 86,1% Umidità 19 100 57,7% 9,7% 81,5% Proteine 17 762 15,7% 3,1% 48,8% Tabella 1: Numero di campioni (N) usati e intervalli coperti dal modello ANN Parametro Grasso Umidità Proteine N 1403 1197 1226 SEP (%) 0,78 0,72 0,62 RSQ 0,9949 0,9968 0,9744 Mean (%) 21,1 59,3 16,0 Min (%) 0,3 21,1 6,4 Max (%) 70,6 82,0 31,4 Tabella 2: Riassunto della validazione delle calibrazioni ANN. N: Numero di campioni nel gruppo di dati di validazione indipendenti. Accuratezza: Accuratezza generale espressa come SEP costituente % w/w. RSQ: Coefficiente di correlazione lineare tra i risultati del FoodScan™ e i risaltati dell’analisi chimica. Media: Valore medio del gruppo di validazione. Min: Valore minimo del gruppo di validazione. Max: Valore massimo del gruppo di validazione. FoodScan Predicted Values FoodScan™ Pro con touch screen Moisture Fat Protein Reference Values Figura 1: Correlazione dei valori ottenuti con l’analisi chimica con i valori previsti dal FoodScan™ Continua a pagina 16 15 Campione Proteine Grasso Umidità Manzo, basso contenuto di grasso 17,8 16,8 65,2 Manzo, alto contenuto di grasso 15,6 29,3 54,4 Maiale, basso contenuto di grasso 17,2 22,3 61,2 Maiale, alto contenuto di grasso 14,7 31,9 53,4 Petto di pollo 22,4 3,3 73,8 Petto di tacchino 24,5 1,5 73,9 Salame piccante 20,5 41,9 Salame 20,4 Hot Dog Salsiccia Proteine r R Laboratorio di riferimento 0,34-1,68 AOAC 992.15 0,34-1,15 0,50-1,29 FoodScan™ 0,20-0,92 0,31-2,21 SEP FoodScan™ 0,62 Tabella 4: Ripetibilità (r) e riproducibilità (R) del FoodScan™ rispetto a Laboratorio di riferimento, metodo di riferimento e SEP per la determinazione delle proteine Grasso r R 28,9 Laboratorio di riferimento 0,28-3,28 33,8 39,6 AOAC 960.39 0,34-6,95 0,42-8,76 16,4 15,4 63,3 FoodScan™ 0,14-0,92 0,36-1,23 17,3 8,1 68,5 SEP FoodScan™ Tabella 3: Campioni dello studio e risultati ottenuti dalle analisi di riferimento (media % di dieci repliche) 0,78 Tabella 5: Ripetibilità (r) e riproducibilità (R) del FoodScan™ rispetto a Laboratorio di riferimento, metodo di riferimento e SEP per la determinazione del grasso Grasso Laboratorio di riferimento r R 0,62-2,32 Continua da pagina 15 ISO 1442 0,67-0,73 1,01-1,15 dati corrispondenti dei metodi di riferimento basati su analisi chimiche. Per la determinazione del grasso, il FoodScan ha dimostrato migliore ripetibilità e riproducibilità. La deviazione standard relativa intralaboratorio (ripetibilità) (RSDr) va da 0,22 a 2,67% per il grasso, da 0,23 a 0,92% per l’umidità, e da 0,35 a 2,13% per le proteine. La deviazione standard relativa inter-laboratori (riproducibilità) (RSDR) va da 0,52 a 6,89% per il grasso, da 0,39 a 1,55% per l’umidità, e da 0,54 a 5,23% per le proteine. Sulla base dei risultati dello studio collaborativo il FoodScan FOSS con metodi ANN ha ottenuto l’Official First Action da AOAC INTERNATIONAL, e di conseguenza è stato adottato come Metodo 2007.04[1]. FoodScan™ 0,36-1,57 0,45-2,02 Riferimenti [1] Official Methods of Analysis (2007) 18a Ed., AOAC International, Gaithersburg, MD, Method 2007.04 [2] Anderson, S., Determination of Fat, Moisture, and Protein in Meat and Meat Products by Using the FOSS FoodScan™ Near-Infrared Spectrophotometer with FOSS Artificial Neural Network Calibration Model and Associated Database:Collaborative Study, Journal of the AOAC International Vol. 90, No. 4, Luglio 2007, pagine 1073-1083. [3] AOAC Official Methods Program Manual (2002), Appendice D: Guidelines for Collaborative Study Procedures to Validate Characteristics of a Method of Analysis, http://www.aoac.org Shirley Anderson* * Scritto da Jürgen Möller ([email protected]), FOSS, in memoria di Shirley Anderson, compianto Direttore dello studio collaborativo. L’articolo si basa sul rapporto dello studio fatto da S. Anderson. 16 SEP FoodScan™ 0,72 Tabella 6: Ripetibilità (r) e riproducibilità (R) del FoodScan™ rispetto a Laboratorio di riferimento, metodo di riferimento e SEP per la determinazione dell’umidità Poco dopo l’assegnazione dello stato di First Action al metodo, il Direttore dello Studio Shirley Anderson (FOSS Nord America, Eden Prairie, Minnesota, USA) è deceduta prematuramente il 2 maggio 2007. FOSS dedica questo studio AOAC alla sua memoria e alla memoria del suo diligente lavoro a favore di quei progressi che hanno permesso all’industria di mantenere l’eccellenza in una vasta gamma di settori, di prodotti e costituenti. “È stata felicissima di sapere che il metodo aveva ottenuto lo status di First Action,” ha dichiarato Jo Rita Jordan, Coordinatore del progetto AOAC, che ha dato la buona notizia a S. Anderson. “Si tratta di un metodo tecnicamente innovativo, e Shirley è stata un ottimo Direttore dello Studio guidandolo per tutto il processo dello studio collaborativo.” Vol. 32, No 1, 2008